基于 CNN 和 LightGBM 的逆变器微网快速瞬态预测实时代理建模

逆变器微网的实时监控对于稳定性、故障响应和操作决策至关重要。然而，电磁瞬态 (EMT) 模拟需要捕捉快速逆变器动力学，计算密集，难以用于实时应用。本文提出了一种基于卷积神经网络 (CNN) 和 LightGBM 的数据驱动代理建模框架，用于快速预测微网行为。该模型在包含十个分布式发电机的微网高保真 EMT 数字孪生数据集上进行训练，涵盖包括故障、噪声和通信延迟在内的十一种运行和扰动场景。应用滑动窗口方法预测重要系统变量，包括电压幅值、频率、总活性功率和电压浸没。结果表明，模型性能取决于所预测变量的类型。CNN 在处理时序信号（如电压）时表现突出，$R^2$ 值为 0.84，而 LightGBM 在结构化和扰动相关变量方面表现更好，频率和电压浸没的 $R^2$ 分别达到 0.999 和 0.75。组合 CNN+LightGBM 模型在所有变量上都能提供稳定的性能。除了精度之外，代理模型还在计算效率方面取得显著提升。LightGBM 实现了超过 \textbf{1000 倍}的加速，运行速度快于实时，而混合模型实现了超过 \textbf{500 倍}的加速，接近实时性能。这些发现表明，数据驱动的代理模型能够有效地表示微网动力学。它们也支持实时和超实时预测。因此，它们非常适合用于逆变器微网的监控、故障分析和控制等应用。